本文提出了 DiffNet++ 算法,结合社交网络与兴趣网络,通过三个方面迭代聚合用户嵌入,设计了多级注意力网络,有效地解决了社交推荐中数据稀疏问题。
Jan, 2020
本篇论文提出了一种新的推荐框架,名为神经图协同过滤 (NGCF),它通过在用户 - 物品图上传递嵌入来利用用户物品图结构,并显式地将协同信号注入到嵌入过程中,以更好地捕捉协同过滤效果。在三个公共基准测试中进行了广泛的实验,表明 NGCF 相对于 HOP-Rec 和 Collaborative Memory Network 等几种最先进的模型具有显着的改进。
May, 2019
本文提出了一种基于矩阵分解的协同过滤框架,旨在针对开放世界推荐系统中遇到的新用户进行归纳式表示学习并取得良好效果。模型使用了注意力机制进行双模型转换,运用神经信息传递技术计算新场景下用户嵌入。实验结果表明,我们的模型可实现在有限的训练数据下,针对新用户的优秀推荐,并具有等效的矩阵因式分解表现。
Jul, 2020
作者设计了一个端到端的深度神经网络框架 DeepInf,用于学习用户的潜在特征表示以预测社交影响,并且在不同类型的社交和信息网络上展开了广泛的实验以证明该模型的显著优越性。
Jul, 2018
此研究提出一种基于深度协同演化网络的推荐系统,利用点过程和循环神经网络来学习用户和物品的潜在特征,捕捉它们之间的相互影响和特征随时间的演化变化,经实验证明,该模型较传统方法具有更好的推荐性能。
Sep, 2016
本文介绍了 DSCF,一种新型的深度社交协同过滤框架,通过利用社交关系的各个方面来解决推荐系统中存在的多种挑战,包括利用用户 - 项目交互和社交网络信息进行深度学习,使用邻居的信息并考虑特定推荐情况,以及了解邻居对项目的不同意见对用户的影响等,实验证明该框架的有效性。
Jul, 2019
通过提出 CF-Diff 方法,结合扩展的协作标志、多跳邻居以及交叉注意力引导的多跳自动编码器(CAM-AE),克服了现有扩散模型推荐系统在准确推荐方面无法明确利用包含关键协作信号的高阶连接问题。实验证明,CF-Diff 在三个真实世界数据集上优于基准推荐方法,相对最佳竞争对手的表现可达到 7.29%的显著增益,并确保了计算效率与用户或物品数量呈线性比例。
Apr, 2024
本研究提出了一个概率生成模型 —— 统一模型,该模型自然地将社会影响、协同过滤和基于内容的方法统一起来,用于物品推荐。我们通过期望最大化算法(EM)来设定模型参数,实验结果显示带有社会影响的生成模型显著优于不带社会影响的模型,并且统一模型表现最佳。此外,我们发现 Whrrl.com 上的用户更可能受到朋友的影响,并且我们基于社会影响的群组推荐算法也优于最先进的算法。
Sep, 2011
社交推荐是一种利用用户之间的社交连接,如在线社交平台中观察到的关注和朋友关系,增强个性化推荐的强大方法。本研究提出了一种基于扩散的社交去噪框架 RecDiff,通过在压缩和稠密的表示空间中进行多步噪声扩散和去除,识别和消除用户表示中的噪声,从而显著提高推荐准确性。实验证明了该框架在推荐准确性、训练效率和去噪效果方面的优越性。
Jun, 2024
以观察到的级联为基础,通过学习两个低维用户特定向量来预测级联动态,并捕捉他们的影响和易感性,从而更好地模拟依赖于上下文因素的信息传播效果。
Oct, 2013